A: 工場でAI省エネ最適化が回るかどうかは、7割はデータ基盤で決まり、アルゴリズムの先進性では決まらない。十分な粒度を持ち、時刻が揃い、運転条件でタグ付けされたエネルギー・データがなければ、どんなに優れたモデルでも事後レポートしか作れず、オンライン最適化はできない。多くの工場が陥る罠はまさにこれで、検針値をエネルギー消費データとみなし、月次の請求書を分析の基礎にしてしまい、案件の完了時に省エネ効果を定量化できず、施策も実行できないことに気づく。
1. まずよくある3つの誤解を避ける
1. 総合メーターがあれば十分だと思う。総合メーターは工場全体や職場単位の合計しか示さないが、AIがやるべきことはエネルギー消費を作業ステーション、シフト、工程パラメータに帰属させることだ。少なくともライン単位か主要設備単位まで下ろし、コンプレッサ、セントラル空調、射出成形機、加熱炉といった高消費設備は個別に計量する。
2. データは多ければ多いほどよいと思う。省エネ最適化に本当に必要なのは「エネルギー-生産量-運転条件」が揃うことであり、無関係な計測点を積み増してもクリーニングのコストが増えるだけだ。
3. 過去の請求書でそのままモデルを訓練できると思う。請求書はピーク・ボトム・フラットの料率、需要電力量料金、力率調整を含む精算書であり、分単位の負荷曲線とは別物だ。混同すると最適化の目的が実際の電気料金から乖離する。
2. 本物のデータ基盤は5つの次元を満たす必要がある
1. 時間粒度。設備単位の負荷は15分間隔かそれ以上に細かいのが望ましく、主要な工程パラメータは秒から分の水準が必要だ。1時間単位のデータだけではピーク・ボトムの切替や起動停止の過渡を捉えにくい。
2. 計量の階層。受電盤、職場、生産ライン、主要設備の4階層とし、主要設備のカバー率はまず消費量の7割以上を占める群から始める。
3. 運転条件のタグ。生産量、シフト、設備状態(稼働・待機・停止)、外気温湿度、工程の設定値。これらが「消費すべきエネルギー」と「無駄にしているエネルギー」をモデルが切り分ける根拠になる。
4. データ品質。欠測率、時計のずれ、単位の整合性は事前に整備する。時計が同期していないメーターやPLCはよくある罠で、エネルギー消費と生産量がずれる原因になる。
5. マスタデータの連携。設備台帳、製品別の原単位、電気料金体系がエネルギーデータと結びついていなければ、最適化提案をスケジューリングや保全のアクションに翻訳できない。
3. 関連質問:計量設備の追加改修にはどれくらい費用がかかるか。
既存の計量基盤による。エネルギー管理システムとネットワーク接続されたPLCがすでにある工場は、主に主要設備向けのメーターとゲートウェイを追加するだけで済む。老朽化した工場ではスマートメーター、変流器、エッジ収集ゲートウェイが必要になることもあり、改修範囲は高消費設備リストで優先順位を付け、一度に全カバーは狙わない。
関連質問:過去データがなくてもできるか。
「シャドー運用」から始められる。数週間、エネルギーと運転条件のデータを並行して収集してベースラインを確立し、その後で最適化施策を立ち上げる。ただし省エネ効果の算定には、少なくとも1つの完全な生産サイクルをカバーするベースライン・データが必要で、なければ効果を検証できない。
関連質問:データはどのシステムと接続する必要があるか。
通常は、生産量とスケジューリングのMES/APS、状態と保全の設備管理システム、負荷と需要の電力監視、電気料金とコスト慣行のERPだ。これらの接続がなければ局所最適化(例えばコンプレッサの群制御)しかできず、工場全体のデマンド管理には届かない。
4. 向く場面と向かない場面
向く場面:すでに子メーターが整い、主要設備がネットワーク接続可能で、生産計画とシフト体系が比較的安定している工場。とくに需要電力量料金とピーク・ボトムの料金差が電気料金の大きな割合を占める場合は相性がよい。向かない場面:計量が総合メーター止まりで、老朽設備が状態を発信できず、生産条件が大きく変動してタグ記録もない工場。この場合はまず計量とマスタデータの整備を行い、そのうえでAI最適化を論じるべきだ。
ERP時代から数十年にわたり深く根を下ろし、120万社の顧客にサービスを提供し、累計数千万台の端末を導入し、国内外の市場をカバーしてきたベンダーは、一般にデータ収集とシステム連携に蓄積がある。それでも選定時は、計測点リスト、データ品質の受け入れ基準、省エネ効果の算定方法という3点を提供できるかを確認すべきで、モデルのデモだけを見てはいけない。